Hadoop简介
网站首页 文章专栏 Hadoop简介
Hadoop简介
编辑时间:2019-05-06 18:10 作者:毛毛小妖 浏览量:122 评论数:0

一、hadoop介绍

  1. HADOOP是apache旗下的一套开源软件平台

  2. HADOOP提供的功能:利用服务器集群,根据用户的自定义业务逻辑,对海量数据进行分布式处理

  3. HADOOP的核心组件有

    1. HDFS(分布式文件系统)

    2. YARN(运算资源调度系统)

    3. MAPREDUCE(分布式运算编程框架)

  4. 广义上来说,HADOOP通常是指一个更广泛的概念——HADOOP生态圈

二、hadoop产生背景

    1.HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎,包括网页抓取、索引、查询等功能,但随着抓取网页数量的增加,遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。

     2.2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案——分布式文件系统(GFS),可用于处理海量网页的存储——分布式计算框架MAPREDUCE,可用于处理海量网页的索引计算问题。

     3.Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE,并从Nutch中剥离成为独立项目HADOOP,到2008年1月,HADOOP成为Apache顶级项目,迎来了它的快速发展期。

三、hadoop重要组件

      HDFS:分布式文件系统

  MAPREDUCE:分布式运算程序开发框架

  HIVE:基于大数据技术(文件系统+运算框架)的SQL数据仓库工具

  HBASE:基于HADOOP的分布式海量数据库

  ZOOKEEPER:分布式协调服务基础组件

  Mahout:基于mapreduce/spark/flink等分布式运算框架的机器学习算法库

  Oozie:工作流调度框架

  Sqoop:数据导入导出工具

  Flume:日志数据采集框架

四、hadoop常见项目处理流程

      1.数据采集:定制开发采集程序,或使用开源框架FLUME

  2.数据预处理:定制开发mapreduce程序运行于hadoop集群

  3.数据仓库技术:基于hadoop之上的Hive

  4.数据导出:基于hadoop的sqoop数据导入导出工具

  5.数据可视化:定制开发web程序或使用kettle等产品

  6.整个过程的流程调度:hadoop生态圈中的oozie工具或其他类似开源产品

注:转载于渐行渐远的记忆

来说两句吧
最新评论
    还没有人评论哦,快来坐沙发吧!